Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Physics-Informed Neural Networks for Accurate Computational Learning of RNA Elements

Description du projet

Nouvelle approche informatique pour cartographier les structures de l’ARN en 3D

Les algorithmes d’apprentissage profond ont permis de décoder avec succès la manière dont des séquences complexes d’acides aminés se replient pour former des structures protéiques en 3D. Malgré les progrès réalisés dans ce domaine, ils peinent encore à cartographier les formes 3D des molécules d’ARN. Bien que ces formes déterminent le fonctionnement de l’ARN et son rôle dans les maladies, les chercheurs ne disposent pas des vastes jeux de données nécessaires pour entraîner des modèles d’IA standard. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet PINNACLE vise à développer un nouveau cadre informatique pour remédier à cette pénurie de données. Le cadre proposé combinera un jeu de données soigneusement sélectionné à un réseau neuronal qui apprendra les lois physiques et biochimiques fondamentales régissant le repliement de l’ARN, plutôt que de s’appuyer uniquement sur des données brutes. Cet outil en accès libre contribuera à réduire la dépendance aux données et, à terme, à accélérer la découverte de médicaments à base d’ARN.

Objectif

Ribonucleic acid (RNA) molecules are central to cellular function and disease, with their biological roles being intrinsically linked to their complex three-dimensional (3D) structures. However, a significant gap exists between the number of known RNA sequences and experimentally determined structures. This data scarcity severely hampers the application of state-of-the-art deep learning methods, which have revolutionized protein structure prediction but fail to generalize for RNA due to their reliance on vast datasets.

The PINNACLE (Physics-Informed Neural Networks for Accurate Computational Learning of RNA Elements) project will address this fundamental challenge through a novel, physics-aware computational framework. The project has two primary objectives: 1) To construct and disseminate a high-quality, FAIR-compliant, and systematically curated dataset of RNA 3D structures, augmented with molecular simulations to capture molecular flexibility and rare interactions. 2) To develop and validate a novel Bayesian Physics-Informed Neural Network (B-PINN) that directly embeds the fundamental physical and biochemical laws governing RNA folding (e.g. electrostatics, base-stacking, torsional constraints) into the model's learning process.

PINNACLE will reduce the dependency on large training sets, improve generalization to novel RNA families, and provide robust uncertainty quantification for its predictions - a critical feature for guiding experimental research. This action will deliver a transformative open-source tool for the scientific community, accelerating research in RNA biology and the development of RNA-based therapeutics. Furthermore, this interdisciplinary training will equip the researcher with a unique skill-set at the intersection of AI, biophysics, and bioinformatics, providing a robust foundation for a future independent research career.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

KOBENHAVNS UNIVERSITET
Contribution nette de l'UE
€ 263 393,28
Coût total
Aucune donnée

Partenaires (1)